論文の概要: GENESIS: Towards Explainable Causal Discovery

• arxiv url: http://arxiv.org/abs/2608.03868v1
• Date: Tue, 04 Aug 2026 16:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.27691
• Title: GENESIS: Towards Explainable Causal Discovery
• Title（参考訳）: genESIS: 説明可能な因果発見を目指して
• Abstract要約: 観測データからの因果発見は2つの根本的な課題に直面している。 グラフ構築を解釈可能な決定点に分解する,説明可能なハイブリッドCDフレームワークであるGENESISを提案する。 本研究は、ジェネシスがすべての設定において100%決定トレーサビリティを実現し、因果発見における第一級の目的として説明可能性を確立していることを示す。
• 参考スコア（独自算出の注目度）: 2.352430391785511
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Causal Discovery (CD) from observational data faces two fundamental challenges. First, purely statistical methods often lack the power to resolve structural ambiguities in low-sample regimes. Second, although LLM-assisted hybrid approaches improve structure recovery through semantic reasoning, the influence of that reasoning on individual edge decisions remains largely opaque. Consequently, existing hybrid methods fail to satisfy a fundamental requirement: explaining why a particular edge is included or excluded in the learned directed acyclic graph (DAG). This is critical in real-world applications, where no ground-truth DAG exists and every structural decision must be independently justified. We formalize this requirement as decision traceability, requiring every inferred edge to be supported by auditable statistical evidence, Markov Blanket consistency, or explicit domain reasoning. We propose GENESIS, an explainable hybrid CD framework that decomposes graph construction into interpretable decision points. GENESIS first identifies and scores three-node structural motifs, including chains, forks, and colliders, to establish transparent structural priors, then progressively refines the graph by integrating these priors with observational evidence, invoking domain knowledge only when statistical evidence is insufficient. By design, every edge decision is resolved through an auditable source of evidence. Experiments show that GENESIS achieves 100% decision traceability across all settings, establishing explainability as a first-class objective in causal discovery. Despite this additional requirement, GENESIS consistently outperforms purely statistical CD methods on the majority of benchmark datasets across all sample regimes in terms of Structural Hamming Distance (SHD), while achieving performance comparable to state-of-the-art LLM-assisted approaches.
• Abstract（参考訳）: 観測データからの因果発見(CD)は2つの根本的な課題に直面している。 第一に、純粋に統計的手法は、しばしば低サンプル状態における構造的曖昧性を解決する力に欠ける。 第二に、LLM支援ハイブリッドアプローチは意味論的推論によって構造回復を改善するが、その推論が個々のエッジ決定に与える影響は、大半は不透明である。 その結果、既存のハイブリッド手法は、なぜ学習された有向非巡回グラフ(DAG)に特定のエッジが含まれているか、あるいは除外されているのかという、基本的な要件を満たすことができない。 現実のアプリケーションでは、DAGは存在せず、全ての構造的決定は独立して正当化されなければならない。 我々は、この要件を決定トレーサビリティとして形式化し、すべての推論されたエッジを監査可能な統計的証拠、マルコフ・ブランケット整合性、明示的なドメイン推論によって支持する必要がある。 グラフ構築を解釈可能な決定点に分解する,説明可能なハイブリッドCDフレームワークであるGENESISを提案する。 genESISはまず、チェーン、フォーク、衝突子を含む3つのノードの構造的モチーフを特定して、透明な構造的先行点を確立する。 設計によって、すべてのエッジ決定は、監査可能な証拠源によって解決される。 実験により、genESISはすべての設定で100%決定トレーサビリティを実現し、因果発見における第一級の目的として説明可能性を確立した。 この追加の要件にもかかわらず、GENESISは、最先端のLCMアシストアプローチに匹敵するパフォーマンスを達成しつつ、すべてのサンプル状態のベンチマークデータセットの大部分において、構造的ハミング距離(SHD)の観点から、純粋に統計的にCDメソッドよりも優れています。

関連論文リスト

• GoT-CD: Graph-of-Thoughts Causal Discovery and the Fragility of Post-hoc Path-Specific Fairness Audits [2.1092701269163436]
  グラフ・オブ・ソート推論は,大規模言語モデル(LLM)のベースラインと構造的に競合する非循環的なグラフが得られることを示す。 推論ユニットが完全な候補エッジセットであるGoT-CDを導入する。 GoT-CDは、報告された5つのベンチマークすべてで有効なDAGを返却し、アジア、アルツハイマー、およびCOVID-Respiratoryデータセット上のLCMメソッドの中で最高のDAG-valid F1スコアを達成している。
  論文  参考訳（メタデータ） (2026-08-03T20:59:26Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning [13.891913455492697]
  我々は、一般の、構造的前提のないアプローチに対する中核的な障害は、同値なキャラクタリゼーションの欠如であると主張する。 このアプローチの鍵となるのは、エッジレベルの制約という新しいツールです。
  論文  参考訳（メタデータ） (2026-03-05T03:57:14Z)
• GHS-TDA: A Synergistic Reasoning Framework Integrating Global Hypothesis Space with Topological Data Analysis [27.271992201673083]
  CoT (Chain-of-Thought) は,大規模言語モデル (LLM) の推論精度を大幅に向上することが示されている。 既存のCoTメソッドには2つの基本的な制限がある。
  論文  参考訳（メタデータ） (2026-02-10T14:00:30Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• A General Causal Inference Framework for Cross-Sectional Observational Data [0.4972323953932129]
  断面観測データに特化して設計された一般因果推論(GCI)フレームワーク。 本稿では,断面観測データを対象としたGCIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-28T14:26:27Z)
• A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables [28.51579090194802]
  因果ネットワークの至る所で、因果関係の隠れ変数の存在を許容する因果発見のための新しい枠組みを提案する。 ランクに基づく潜在因果探索アルゴリズム(RLCD)を開発し、隠れ変数を効率よく探索し、その濃度を判定し、測定値と隠れ変数の両方に対して因果構造全体を発見する。 合成・実世界のパーソナリティデータセットを用いた実験結果から,有限サンプルケースにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-12-18T07:57:39Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。